intelligence-artificielle-immunothérapie

Une étude publiée dans The Lancet Oncology établit pour la première fois que l’intelligence artificielle peut traiter des images médicales pour extraire des informations biologiques et cliniques.

Un algorithme pour analyser des images scannées

En concevant un algorithme et en le développant pour analyser des images scannées, les chercheurs médicaux de l’Institut Gustave Roussy, de l’Université Paris-Sud et de TheraPanacea (spécialisée en intelligence artificielle en oncologie-radiothérapie et en médecine de précision) ont créé une signature radiomique. Cette signature définit le niveau d’infiltration lymphocytaire d’une tumeur et fournit un score prédictif de l’efficacité de l’immunothérapie chez un patient.

À l’avenir, les médecins pourraient ainsi utiliser l’imagerie pour identifier des phénomènes biologiques dans une tumeur située dans n’importe quelle partie du corps sans avoir à effectuer une biopsie. Jusqu’à présent, aucun marqueur ne permettait d’identifier avec précision les patients qui répondraient à une immunothérapie anti-PD-1 / PD-L1 dans une situation où seuls 15 à 30% des patients répondent à un tel traitement.

Caractériser cet environnement

On sait que plus l’environnement immunologique de la tumeur est riche (présence de lymphocytes), plus les chances que l’immunothérapie soit efficace. Les chercheurs ont donc tenté de caractériser cet environnement en utilisant l’imagerie et de le corréler avec la réponse clinique des patients. Tel est l’objectif de la signature radiomique conçue et validée dans cette étude publiée dans The Lancet Oncology.

Dans cette étude rétrospective, la signature radiomique a été capturée, développée et validée chez 500 patients présentant des tumeurs solides (tous sites confondus) issus de quatre groupes indépendants. Il a été validé génomiquement, histologiquement et cliniquement, le rendant particulièrement robuste.

En utilisant une approche basée sur l’apprentissage automatique, l’équipe a d’abord enseigné à l’algorithme à utiliser des informations pertinentes extraites de scanners de patients participant à l’étude MOSCATO (Molecular Screening for Cancer Treatment Optimization), qui contenaient également des données sur le génome de la tumeur. Ainsi, basé uniquement sur des images, l’algorithme a appris à prédire ce que le génome aurait pu révéler sur l’infiltrat immunitaire de la tumeur, notamment en ce qui concerne la présence de lymphocytes T cytotoxiques (CD8) dans la tumeur.

Cette signature a été testée et validée

Cette signature a été testée et validée dans d’autres groupes, dont celle du TCGA (Atlas du génome du cancer), montrant ainsi que l’imagerie pouvait prédire des phénomènes biologiques, fournissant une estimation du degré d’infiltration immunitaire d’une tumeur.

Ensuite, pour tester l’applicabilité de cette signature dans une situation réelle et la mettre en corrélation avec l’efficacité de l’immunothérapie, elle a été évaluée à l’aide de tomodensitométries réalisées avant le début du traitement chez des patients participant à 5 essais de phase I anti-PD-1. -L1 immunothérapie. Les chercheurs ont constaté que les patients chez qui l’immunothérapie était efficace à 3 et 6 mois présentaient des scores radiomiques plus élevés que ceux ayant une meilleure survie globalement.

La prochaine étude clinique évaluera la signature à la fois rétrospectivement et prospectivement, et utilisera un plus grand nombre de patients et les stratifiera en fonction du type de cancer afin d’affiner la signature.

Des algorithmes plus sophistiqués

Cela utilisera également des algorithmes d’apprentissage automatique et d’intelligence artificielle plus sophistiqués, pour prédire la réponse des patients à une immunothérapie. À cette fin, les chercheurs ont l’intention d’intégrer des données issues de l’imagerie, de la biologie moléculaire et de l’analyse tissulaire.

C’est l’objectif de la collaboration entre l’Institut Gustave Roussy, l’Inserm et l’Université Paris-Sud, de l’École Centrale Paris et de TheraPanacea pour identifier les patients les plus susceptibles de répondre au traitement, améliorant ainsi le rapport efficacité / coût du traitement.

Souce : The Lancet Oncology